100-Days-Of-ML-Code day1-day6 notes

最新推荐文章于 2025-12-04 19:38:46 发布

原创最新推荐文章于 2025-12-04 19:38:46 发布 · 420 阅读

0 ·

CC 4.0 BY-SA版权

技术同时被 2 个专栏收录

18 篇文章

订阅专栏

Jack的机器学习专栏

15 篇文章

订阅专栏

本文探讨了机器学习数据预处理方法，包括使用OneHotEncoder进行类别数据编码，以及StandardScaler进行特征缩放。通过多元线性回归模型，计算了预测误差的均方误差和R2分数，展示了模型的预测能力。

X = dataset.iloc[ : , :-1].values  # 取所有行的从一列到最后一列
Y = dataset.iloc[ : , 3].values  # 取所有行的第列

OneHotEncoder:直观来说就是有多少个状态就有多少比特，而且只有一个比特为1，其他全为0的一种码制.机器学习中对于离散型的分类型的数据，需要对其进行数字化

单元线性回归用于单变量预测

多元线性回归类似单元线性回归模型，不过不太好画出直观二维图，只能用图展示测试值与预测值之间的误差

day3的多元线性回归可以最后计算下预测的误差，这里计算了均方误差和R2误差

from sklearn.metrics import r2_score
from sklearn.metrics import mean_squared_error
import scipy as sp

print(r2_score(Y_test,y_pred))
print(sp.sqrt(mean_squared_error(Y_test,y_pred)))

0.934706847328
9137.99015279

day4-day6

StandardScaler:特征缩放， (X-mean)/std , 即特征减去均值再除以标准差

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

沉默的大多数的杂谈感想

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

100 Days Of ML Code 学习笔记-Day 1

Agnes_Zhang的博客

09-04

680

github

100-Days-Of-ML-Code 100天机器学习挑战

翁JJ的博客

08-07

2020

100-Days-Of-ML-Code ML网红Siraj Raval发起了一个名为：100-Days-Of-ML-Code的挑战赛，意为鼓励同学们每天抽出点时间来学习机器学习，看看100天后你有了哪些进步目前Github上面最火爆的100-Days-Of-ML-Code就是Avik-Jain的机器学习项目，超赞的配图，清晰的知识点梳理，是入门机器学习非常好的项目 Github:https...

参与评论您还未登录，请先登录后发表或查看评论

100-Days-Of-ML-Code（Day_01）

08-09

最近火爆git的100-Days-Of-ML-Code，内容有易到难，整体来说还是很不错的，可以看得出博主Avik-Jain的用心良苦。这是第一天第一天data_proprecessing用到的数据集

机器学习开源贡献：100-Days-Of-ML-Code项目PR提交全流程

gitblog_00820的博客

10-08

613

你是否曾想为开源机器学习项目贡献代码，却因不熟悉PR（Pull Request，拉取请求）流程而望而却步？本文将以100-Days-Of-ML-Code项目为例，带你一步步完成从环境准备到PR提交的全流程，让你的贡献顺利被项目采纳。读完本文，你将掌握 Fork 项目、创建分支、代码修改、提交PR等关键步骤，并了解项目特有的规范和注意事项。 ## 一、项目准备与环境搭建 ### 1.1 项目简介...

[Day_1]100-Days-Of-ML-Code

ShawnSun2015的博客

04-04

279

原文见https://github.com/MLEveryday/100-Days-Of-ML-Code/blob/master/Code/Day%201_Data_Preprocessing.md Day_1 warning解决方法：第三步：处理丢失数据 from sklearn.preprocessing import Imputer imputer = Imputer...

100-Days-Of-ML-Code笔记

ShangYT的专栏

10-10

806

仅供学习使用参考https://github.com/Avik-Jain/100-Days-Of-ML-Code 100-Days-Of-ML-Code day1 数据预处理引入必要的库引入数据集处理丢失数据给类别数据编码将数据集分为测试集和训练集特征scaling 大部分的机器学习算法，在计算的时候，使用欧几里德距离作为两个数据点的距离。 day2 简单线性回归使用一个单独的...

8-07-14_MegaCLI for linux_windows

03-15

SCGCQ00459022 (DFCT) - System crashes when tried to issue command exceeding around 90- 100 characters in EFI Environment. SCGCQ00470761 (DFCT) - Megacli wrongly reports PCI bus number for 2208 based ...

【英语词组】恋恋不忘Day6-2

志强的博客

08-10

1650

lose control of They fear losing control of Mauna Kea. 他们害怕失去对xxxx山的控制。拓 out of control 失控 in prison She was illiterate almost all her life;she only learned to read and write in prison. 她几乎一辈子都不识字；她只是在监狱里才学会读写。拓 put in jail =jail（羁押）=put in jail囚禁，关押 mak

Day31 - 玩转Linux操作系统

Laic Zhang的博客

05-05

2074

Day31 - 玩转Linux操作系统操作系统发展史只有硬件没有软件的计算机系统被称之为“裸机”，我们很难用“裸机”来完成计算机日常的工作（如存储和运算），所以必须用特定的软件来控制硬件的工作。最靠近计算机硬件的软件是系统软件，其中最为重要的就是“操作系统”。“操作系统”是控制和管理整个计算机系统的硬件和软件资源，合理的分配资源和调配任务，为系统用户和其他软件提供接口和环境的程序的集合。没有...

syslog-ng使用django5查看写入mysql的syslog日志情况（使用mysql8.4.7并重编syslog-ng）

最新发布

u014785520的博客

12-04

799

本文记录了在Kylin V10 SP2系统上为syslog-ng开发查询页面时遇到的数据库兼容性问题及解决方案。由于Django 5不支持系统默认的MariaDB 10.3，我们采取了以下升级措施：将syslog-ng升级至4.8.3 LTS稳定版采用二进制方式安装MySQL 8.4.7 移除MariaDB相关库并安装MySQL 8.4开发库重新编译并安装syslog-ng 配置syslog-ng使用MySQL数据库（3307端口）存储系统日志测试验证通过整个过程包括依赖安装、MySQL驱动配置、

Kaggle线上零售 CRM分析（RFM+BG-NBD+生存分析+PySpark）

thorn_r的博客

06-02

1456

这个此在线零售数据集包含2009年12月1日至2011年12月9日期间的在线零售的所有交易。该公司主要销售独特的各种场合礼品。这家公司的许多客户都是批发商。本文将通过pyspark对数据进行导入与预处理，进行可视化分析并使用RFM、生存分析与BG-NBD模型进行对购买客户的各项分析。

Python-100DaysOfMLCode中文版机器学习100天

08-11

100-Days-Of-ML-Code中文版（机器学习100天）

100-Days-Of-ML-Code 第一天数据预处理

wehung的博客

10-07

1085

https://github.com/MLEveryday 中文版 https://github.com/Avik-Jain/100-Days-Of-ML-Code/ 英文版第一天数据预处理 1 import所需库 import numpy as np import pandas as pd 2 读取数据 X 和Y 注意：为左闭右开此处 -1不取，即X的最后一列不取 i.loc[ ]...

100-Days-Of-ML-Code

Atom爱疼的博客

01-08

305

100-Days-Of-ML-Code（Day4/5/6--LogisticRegression）

hanjushi2的博客

08-13

532

#!---* coding: utf-8 --*-- #!/usr/bin/python """ ProjectName:LogisticRegression @Author:Aifu Han Date:2018.8.11 """ #step1:数据预处理 import numpy as np import pandas as pd import matplotlib.pyplot as pl...

100-Days-Of-ML-Code-Day 1

会飞的猪_的博客

09-17

406

Day1-数据预处理原文：https://github.com/Avik-Jain/100-Days-Of-ML-Code 译文：https://github.com/MLEveryday/100-Days-Of-ML-Code 代码： # step 1: 导入Numpy和Pandas库 import numpy as np import pandas a...

100 Days Of ML Code：Day1-Data Preprocessing（数据预处理）

大羚羊的学习博客

08-05

1045

100天机器学习挑战汇总文章链接在这儿。 Data Preprocessing -- Getting Started with Machine Learning 第1天学习的内容主要是数据预处理。主要包括：目录 Step 1：导入库 Step 2：导入数据集 Step 3：处理缺失数据 Step 4：把分类数据转换为数字 Step 5：将数据集分为训练集和测试集 Step ...

100 days of ML code----挑战100天搞定机器学习（7--11）

北冥鱼

08-14

965

这是挑战100天搞定机器学习的第7天到第11天的翻译。这篇文章后可能会停更几天，因为有几天原作者给出的只是简单的一句话，我也想深入的了解理论知识。李宏毅教授的课程我也没有学到相应位置，泡沫积累太多，所以要沉淀一下了。我会很快回来的，2.0倍播放速度看视频不会错过什么，只能让你更专心。原项目地址在这里，作者写的相当不错。转载请注明出处。第7天 K最临近算法 what is k-NN ...

100-Days-Of-ML-Code day 1

jinking01的专栏

11-19

347

一. 数据 git地址：100-Days-of-ml，用到的数据集如下：二. 流程三. 代码 #step1: 导入相应的包 import numpy as np import pandas as pd #step2:导入数据集 ''' pandas读取excel的示例 .iloc：根据标签的所在位置，从0开始计数，选取列，iloc[a:b,c:d]选取a-b行的c-...

timedelta(days=day_of_year-1

04-01

<think>好的，我现在需要解决用户关于在Python中使用timedelta的days参数与day_of_year的问题。首先，我需要明确用户的具体需求。用户可能希望在处理日期时，结合年中的第几天（day_of_year）和timedelta的days参数来进行日期计算。首先，我应该回顾timedelta的基本用法。timedelta用于表示时间间隔，通常用于日期的加减操作。它的参数包括days、seconds、microseconds等，其中days参数可以直接加减天数。例如，datetime.timedelta(days=5)表示5天的时间间隔。接下来，用户提到day_of_year，也就是一年中的第几天。在Python中，可以使用timetuple().tm_yday来获取某个日期对象的年中的第几天。例如，datetime.date(2023, 5, 15).timetuple().tm_yday会返回135，表示这是该年的第135天。用户的问题可能是如何将这两个功能结合起来。比如，给定一个日期，用户可能想要增加或减少若干天，然后得到新的日期的年中的第几天，或者根据年中的第几天来创建日期，并进行时间间隔的计算。我需要考虑可能的场景。例如，用户可能有一个day_of_year的值，比如第100天，想要创建一个日期对象，然后对这个日期进行加减天数操作。或者，用户可能有一个日期，想要计算加上一定天数后的day_of_year值。需要检查是否有常见的错误或注意事项。例如，当加减天数导致跨年时，tm_yday会自动调整到正确的年份和天数。此外，处理闰年时需要注意，tm_yday会正确返回闰年中的天数。然后，我应该编写示例代码来演示这些操作。例如，如何从day_of_year创建日期，如何加减天数，并获取新的day_of_year。同时，需要注意日期的有效性，比如避免出现无效的日期导致ValueError。可能还需要引用相关的文档或资料，比如pandas的to_timedelta函数，但用户的问题主要集中在标准库的datetime模块。不过，如果用户使用pandas处理时间序列，可能需要结合使用timedelta和pandas的功能，比如pd.to_timedelta。另外，用户提供的引用中有关于pandas的to_timedelta函数的帮助信息，以及处理日期超出范围的错误。这可能提示用户在处理日期时需要注意边界情况，比如加减天数后的日期是否有效，避免出现ValueError: day out of range的情况。总结步骤： 1. 使用datetime模块创建日期对象。 2. 获取日期的day_of_year属性。 3. 使用timedelta加减天数。 4. 处理跨年和闰年的情况。 5. 演示如何从day_of_year构造日期。 6. 注意事项和错误处理。现在需要将这些步骤转化为代码示例，并解释每个部分的作用，确保用户能够理解并正确应用这些方法。同时，需要提醒用户注意日期有效性，避免常见错误。</think>### 解答在Python中结合`timedelta`的`days`参数与`day_of_year`（年中的第几天）时，需通过`datetime`模块进行日期计算。以下是具体方法及示例： --- ### 1. **基础操作：加减天数并获取`day_of_year`** ```python from datetime import datetime, timedelta # 当前日期 current_date = datetime(2023, 5, 15) print("当前日期:", current_date.date()) # 2023-05-15 # 获取当前日期的day_of_year day_of_year = current_date.timetuple().tm_yday print("当前日期的年中天数:", day_of_year) # 135 # 使用timedelta增加10天 new_date = current_date + timedelta(days=10) print("加10天后的日期:", new_date.date()) # 2023-05-25 # 计算新日期的day_of_year new_day_of_year = new_date.timetuple().tm_yday print("新日期的年中天数:", new_day_of_year) # 145 ``` --- ### 2. **从`day_of_year`反推日期并操作** 若已知年中的第几天（如第100天），可构造日期对象后使用`timedelta`： ```python year = 2023 day_of_year = 100 # 从day_of_year创建日期（注意闰年） date_from_doy = datetime(year, 1, 1) + timedelta(days=day_of_year - 1) print(f"{year}年第{day_of_year}天是:", date_from_doy.date()) # 2023-04-10 # 加减天数操作 modified_date = date_from_doy + timedelta(days=-30) print("减30天后的日期:", modified_date.date()) # 2023-03-11 print("新日期的年中天数:", modified_date.timetuple().tm_yday) # 70 ``` --- ### 3. **注意事项** - **跨年处理**：若加减天数导致跨年，`tm_yday`会自动重置为新年中的天数： ```python date = datetime(2023, 12, 31) + timedelta(days=1) print(date.date()) # 2024-01-01 print(date.timetuple().tm_yday) # 1（属于2024年） ``` - **闰年判断**：`tm_yday`会正确处理闰年（如2024年2月29日对应第60天）[^1]。 - **错误处理**：操作后若日期无效（如2023-02-30），会抛出`ValueError`[^3]。 --- ### 4. **结合Pandas处理时间序列** 若使用`pandas`库，可借助`pd.to_timedelta`简化操作： ```python import pandas as pd # 从day_of_year构造日期序列 date_series = pd.to_datetime("2023-01-01") + pd.to_timedelta([99, 100, 101], unit="D") print(date_series) # 输出：DatetimeIndex(['2023-04-10', '2023-04-11', '2023-04-12'], dtype='datetime64[ns]', freq=None) ``` ---